Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

040976 UK Classification, Clustering and Discrimination (2017S)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 50 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Donnerstag 02.03. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 09.03. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 16.03. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 23.03. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 30.03. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 06.04. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 27.04. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 04.05. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 11.05. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 18.05. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 01.06. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 08.06. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 22.06. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock
  • Donnerstag 29.06. 11:30 - 13:00 Seminarraum 15 Oskar-Morgenstern-Platz 1 3.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

The course presents basic methods used in the areas of classification, clustering and discrimination. Rather than on classical statistical procedures, the focus is on modern techniques of machine learning which also enable applications to “big data” and business analytics. In particular, supervised and unsupervised learning algorithms are discussed, decision tree techniques are introduced, neural network methodology is outlined, and diverse clustering algorithms are presented.

Art der Leistungskontrolle und erlaubte Hilfsmittel

The participants get exercises, some of which are to be solved theoretically, while others require programming or application of software. The latter type of exercises can also be handled by groups of participants. The solutions to the exercises are presented during the course.

Mindestanforderungen und Beurteilungsmaßstab

The presentation of the solution to a standard theoretical exercise yields one point; the number of points obtained from exercises requiring programming is to be agreed upon from case to case. For completing the course with a positive grade, three points are the minimum.

Prüfungsstoff

No special exam.

Literatur

Trevor Hastie, Robert Tibshirani, Jerome Friedman, ``The Elements of Statistical Learning: Data Mining, Inference, and Prediction'', Springer

Ethem Alpaydin, ``Introduction to Machine Learning'', MIT Press

Christopher M. Bishop, ``Pattern Recognition and Machine Learning'', Springer

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:29